CloChat: Understanding How People Customize, Interact, and Experience Personas in Large Language Models

📄 arXiv: 2402.15265v1 📥 PDF

作者: Juhye Ha, Hyeon Jeon, DaEun Han, Jinwook Seo, Changhoon Oh

分类: cs.HC, cs.CL

发布日期: 2024-02-23

备注: In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (CHI '24)

💡 一句话要点

提出CloChat以解决个性化对话代理的互动问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 个性化对话 大型语言模型 用户定制 情感联系 互动质量 对话代理 CloChat

📋 核心要点

  1. 现有的LLM驱动对话代理缺乏个性化，无法满足用户的特定需求，限制了互动的质量和多样性。
  2. 本文提出CloChat，一个用户友好的界面，允许用户轻松定制代理个性，从而增强互动体验。
  3. 实验结果显示，使用CloChat的参与者与定制代理建立了情感联系，互动更加动态，表现出更高的持续互动意愿。

📝 摘要（中文）

大型语言模型（LLMs）在生成对话代理方面取得了显著进展，能够实现无缝且上下文相关的对话。然而，现有的LLM驱动的对话代理具有固定的个性和功能，限制了其对个体用户需求的适应性。为了解决这一问题，本文研究了用户如何定制代理个性及其对互动质量、多样性和动态性的影响。我们开发了CloChat，一个支持轻松准确定制LLM代理个性的界面，并进行了与ChatGPT的对比研究。结果表明，参与者与定制代理建立了情感联系，进行了更具动态性的对话，并表现出持续互动的兴趣。这些发现为未来使用LLM的对话代理系统的设计提供了重要的启示。

🔬 方法详解

问题定义：本文旨在解决现有对话代理缺乏个性化的问题，现有方法无法满足用户的个性化需求，导致互动质量低下。

核心思路：CloChat通过提供一个易于使用的界面，使用户能够定制代理的个性和功能，从而提升互动的质量和多样性。

技术框架：CloChat的整体架构包括用户界面、个性定制模块和LLM集成模块。用户通过界面输入个性化信息，系统生成相应的代理个性，并与LLM进行交互。

关键创新：CloChat的创新之处在于其用户友好的定制界面，使得用户能够直观地调整代理个性，显著提升了用户的参与感和互动质量。

关键设计：在设计中，CloChat采用了灵活的参数设置，允许用户选择不同的个性特征，并通过特定的损失函数优化代理的响应质量。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，使用CloChat的参与者与定制代理建立了情感联系，互动质量显著提升。与ChatGPT相比，CloChat用户的互动动态性增加，参与者表现出更高的持续互动兴趣，表明个性化定制对对话质量的积极影响。

🎯 应用场景

CloChat的研究成果具有广泛的应用潜力，特别是在教育、心理咨询和客户服务等领域。通过个性化的对话代理，用户能够获得更符合其需求的互动体验，提升服务质量和用户满意度。未来，CloChat的设计理念也可扩展到其他类型的智能系统中，推动人机交互的进一步发展。

📄 摘要（原文）

Large language models (LLMs) have facilitated significant strides in generating conversational agents, enabling seamless, contextually relevant dialogues across diverse topics. However, the existing LLM-driven conversational agents have fixed personalities and functionalities, limiting their adaptability to individual user needs. Creating personalized agent personas with distinct expertise or traits can address this issue. Nonetheless, we lack knowledge of how people customize and interact with agent personas. In this research, we investigated how users customize agent personas and their impact on interaction quality, diversity, and dynamics. To this end, we developed CloChat, an interface supporting easy and accurate customization of agent personas in LLMs. We conducted a study comparing how participants interact with CloChat and ChatGPT. The results indicate that participants formed emotional bonds with the customized agents, engaged in more dynamic dialogues, and showed interest in sustaining interactions. These findings contribute to design implications for future systems with conversational agents using LLMs.